Ambition : proposer un cadre de vie dans lequel les flux cyclistes sont sécurisés et des moyens sont mis en oeuvre pour systématiquement réduire l’occurrence d’accidents impliquant des cyclistes
Analyse a posteriori : Identifier les zones accidentogènes d’un territoire pour les cyclistes à travers l’analyse des flux et des caractéristiques des lieux d’accident
Analyse a priori : identifier les zones susceptibles de présenter des caractéristiques accidentogènes sur la base de l’analyse a posteriori
Reproductibilité : Proposer un modèle d’analyse générique pour permettre de réaliser l’évaluation d’un territoire par une collectivité, une association ou des usagers avertis avec comme objectif de proposer des évolutions de la voirie susceptible de réduire l’accidentologie
T1 - Définir les caractéristiques types des zones accidentogènes à travers l’analyse fine de la voirie, des flux, de la météo et de toutes propriétés discriminantes
T2 - Identifier les zones d’un territoire géographique susceptible de présenter des critères accidentogènes sur la base de ces critères
Data > Produire un module d’analyse open-source, documenté et partagé pour les zones accidentogènes.
Communication > Promouvoir le modèle d’analyse à travers un site internet, un github et des outils de communication à destination des cibles identifiés
1- Les collectivités pour les aider à prioriser les investissements dans les équipements de sécurisation de voirie des flux cyclistes sur leurs territoires.
2- Les associations de cyclistes pour analyser les territoires et appuyer leurs plaidoyers pour demander des évolutions des pratiques des collectivités
3- Les fournisseurs de service d’itinéraires cyclistes pour intégrer le contournement de zones identifiables comme plus accidentogènes dans leurs calculs
## [1] 548
Nous avons pris les informations de la table usagers_epci pour les accidents qui sont dans la table Accidents_velo_epci_sf. Ainsi, notre étude se concentre sur les accidents de vélo et nous excluons les accidents qui ne concernent que les voitures, piétons, …. Nous avons donc une table merged_usager qui contient cela.
Avec “length(unique(merged_usager$Num_Acc))”, on se rend compte que cette table merged_usager contient tous les accidents, et pour chaque accident on a au minimum 1 individu en vélo impliqué. Les autres individus peuvent être en voiture, en transport en commun ou bien à pied.
On se rend compte que les accidents impliquant un vélo se déroule souvent lors de loisirs ou de promenade.
Nous pouvons observer grâce à ce graphique que les accidents se déroulent plus souvent lors de trajet “Domicile-travail” vers environ 9h du matin et lors de trajet de “promenade-loisirs” vers 19h ce qui coincident avec la réalité. En effet, la plupart des individus partent au travail vers 8h, 9h et peuvent faire leurs loisirs après la sortie de leurs travails, donc vers 18h, 19h.
##
## -1 0 1 2 3 4 5 8 9
## 75 950 1 6 3 5 6 1 2
La plupart des localisations des piétons sont “sans objet” (correspond au 0), ce n’est donc pas très utile d’en tirer de l’information.
Observons le nombre d’accident par mois de 2005 à 2021, sur Montpellier Méditerrannée Métropole (MMM). Nous observons un pic du nombre d’accidents au mois de Septembre. Nous pouvons faire l’hypothèse que c’est la période où il y a le plus de cyclistes, car c’est le début de l’année scolaire, et que les jours sont encore assez chauds. On remarque un faible nombre d’accident durant tous les mois d’hiver. Nous faisons l’hypothèse qu’il y a une baisse du nombre de cycliste en automne-hiver. Le mois d’août est le troisième mois le plus faible, c’est la période où la plus grande partie des gens est en congé, donc la circulation est plus faible.
Ce graphique montre bien l’évolution du nombre d’accident au cours des mois. Nous supposons que le nombre d’accident est lié au nombre de cyclistes.
Observons le nombre d’accident par mois pour chaque année, de 2005 à 2021, sur MMM. Nous pouvons sélectionner un seul mois ou plusieurs pour mieux les comparer. On peut ainsi voir qu’il y a des mois qui sont au de-dessus d’autres, pour toutes les années confondues (septembre est toujours au dessus d’août, ou équivalent). Aussi, Certains mois ont une très grande variabilité suivant les années. C’est le cas du mois d’avril par exemple.
Nous avons supposé que la luminosité au moment de l’accident peut être un facteur déterminant. Nous observons sur ce graphique que la très grande majorité des accidents a lieu en plein jour. En effet, c’est en plein jour qu’il y a le plus de cyclistes, et le plus d’automobilistes. C’est ensuite la nuit avec éclairage public allumé qu’il y a autre partie des accidents. C’est sans doute car les accidents ont majoritairement lieu en ville.
Observons les heures des accidents. On constate les pics d’accidents aux horaires de pointe : 8h-9h et 17h-18h. C’est en effet l’heure où il y a le plus de circulation. La nuit, il n’y presque pas d’accident (comme le montrait aussi le graphique précédent).
Nous avons aussi regardé quelle est la part des accidents entre l’agglomération et hors de l’agglomération. On peut facilement voir que la plus grande part des accidents a lieu en agglomération.
Grâce à ce graphique à double échelles, nous pouvons comparer les accidents entre agglomération et hors agglomération. Ce qui est intéressant est de regarder si les pics ont lieu aux mêmes horaires. Or comme nous l’avions déjà observé précédemment, en agglomération, le pics d’accient à lieu aux heures de pointe (8h-9h et 17h-18h). En revanche, hors agglomération, le pic a lieu dans la matinée vers 11H. Nous pouvons supposer que cela concerne plutôt des déplacments de types loisirs, et à des heures ou la circulation automobile est faible.
Analysons les types d’intersections sur le lieu des accidents. On se demande si les accidents ont lieu sur des routes sans intersection ou bien sur des intersections. On oberve que le plus grand nombre d’accident a lieu sur des routes hors intersection.
Toutefois, on a une variable Hors interection mais plusieurs variables décrivant les différents types d’intersections. On fait la comparaison entre les accidents hors intersection et les accidents ayant lieu sur tous types d’intersection .
Une fois que les différents types d’intersections sont rassemblés en une seule colonne, on voit que l’écart est nettement plus faible. Les accidents hors intersection restent majeurs.
Observons les différentes catégories de routes sur le lieu d’accident. On voit que la plus grande part des accidents a lieu sur des routes communales. Cela englobe toutes les voies qui appartiennent au domaine public routier communal. Ce sont les routes que nous empruntons chaque jour en ville. Comme leur nom l’indique, les routes communales se trouvent en agglomération. C’est donc cohérent par rapport au fait que la plus grande majorité des accidents a lieu en agglomération.
Nous pouvons observer les premières paires les plus significativement liées.
Les tags sélectionnés pour faire les paires ne correspondent qu’aux tags qui apparaissent dans chez au moins 10 accidents, et qui sont les plus pertinents à étudier.
Interprétation: il y a plus d’accident dans un tunnel lorsqu’il y a un bon niveau de cyclabilité.
Voici la source de toutes les descriptions des différents tags: OpenStreetMap Taginfo
Nous pouvons constater qu’il y a plus d’accidents en vélo lorsque la limitation de vitesse est de 50.
Nous pouvons supposer que c’est en ville qu’il y a le plus d’accidents, là où la route est limitée à 50 km/h. Les zones limitées à 5 km/h correspond aux zones piétonnes donc il y a peu de chances qu’il y est des accidents. De plus, sur les routes limitées à 70 et 80 km/h, on ne trouve que peu de cycliste donc il n’est pas étonnant de voir qu’il y a moins d’accident.